一种基于支持向量机的心电信号处理算法

新一代心电图(Electrocardiography,ECG)系统中,可以使用可穿戴设备来监测人体生理信号.心电图信号是一种生物医学信号,基本上与人体心脏的电活动相对应,根据其波形可以初步判断人体是否存在疾病.本文首先对ECG信号进行了预处理,然后使用自适应阈值对QRS波进行定位,最后使用支持向量机对心电信号进行分类....     

基于几何分析的支持向量机推广能力推测模型

利用支持向量机分类器中支持向量分布的几何意义,构造了一种新的与样本分布相关的推广能力预测模型,该模型充分利用了支持向量分布的先验信息,它与统计学习理论中推广能力准则具有一致的几何意义.首先利用支持向量分布的几何意义出发从海量样本中选择有效边界向量代替原有训练样本,然后在有效边界向量中分别计算最小包含半径和最大分类间隔.它不需要求解二次规划就可以得到与训练样本相关的推广能力计算模型,计算量较低.本文最后的最优核函数、核参数选择仿真实验结果表明本文提出的基于几何分析的支持向量机推广能力推测模型的合理性与高效性, 该模型对于解决支持向量机中最优核函数、核参数选择具有重要意义.     

基于SVM的复杂环境下苹果图像的分割

将需要研究的目标从复杂的背景下提取出来是后期图像理解和图像分析的关键.一种基于支持向量机(Support Vector Machine,SVM)的图像分割方法被提出,将图像分为目标和背景两类.在OHTA的颜色空间下提取各类样本像素值,并用SVM对样本进行训练,运用训练好的SVM分类器对苹果图像进行分割,并进行去噪处理.实验表明该算法可以有效地分割出复杂背景下的苹果,分割速度、分割准确率优于阈值分割法.     

基于支持向量机的缓存预估模型的设计与实现

采用支持向量机(SVM)对网络业务流数据进行预测估计，通过训练样本，从而获得样本以外数据的分布规律。在此基础上，设计了一种网络排队队列缓存的预估模型。实验表明，该模型具有较高的训练效率和很高的估计精确度。     

采用混合核支持向量机的DOA估计

人工神经网络( ANN)进行建模时通常需要准备大量的数据样本,同时网络结构一般都比较复杂;而采用支持向量机( SVM)进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,提出了一种基于混合核函数的支持向量机来改善来波到达角( DOA)的估计性能,并结合二进制粒子群算法( PSO)来对混合核函数进行参数寻优。该混合核函数由全局核函数和局部核函数构成,提高了SVM的泛化能力和学习能力。首先通过拟合多项式函数,验证了该混合核SVM的有效性。将该方法用于DOA估计建模,在不同信噪比和快拍数下,通过与径向基函数( RBF)神经网络、基于各单一核函数的SVM和MUSIC算法预测结果对比,混合核SVM均方差有所降低,提高了DOA估计的精度且有更好的稳定性。     

基于支持向量机的飞行执照成绩预测研究

成绩分析为学生管理提供指导,为教学管理决策提供依据.传统的成绩分析只是对均值、挂科率等数据进行简单的统计分析,具有一定的局限性.文章在飞行学生成绩管理中,引入支持向量机SVM这种监督学习算法.将飞行学生的平时成绩和纪律表现等多个维度的数据作为输入,将执照通过情况标记为正类和负类,并作为模型输出.实验结果表明,支持向量机...     

支持向量机在入侵检测系统中的应用

SVM(支持向量机)方法被看作是对传统学习分类方法的一个好的替代,特别在小样本、非线性情况下,具有较好的泛化性能.本文简要分析了当前的几种入侵检测方法,重点介绍了SVM的学习算法,提出了将SVM用于入侵检测系统的方法.通过Matlab仿真实验,结果表明,运用SVM方法检测入侵,可以达到较高的准确检测率,是一种有效的入侵检测手段.     

改进的投影孪生支持向量机

针对投影孪生支持向量机（Projection Twin Support Vector Machine,PTSVM）在训练和求解过程中存在的问题,提出了一类改进的投影孪生支持向量机（Improved PTSVM）,简称为IPTSVM.该文首先构造了改进的线性投影孪生支持向量机,然后利用核技巧轻松将其推广到了非线性形式.本文的主要贡献有：（1）提出了投影孪生支持向量机的新模型,克服了原始PTSVM在训练之前需要求解两个逆矩阵的问题;（2）继承了传统SVM（Support Vector Machine）的精髓,利用核技巧直接将线性IPTSVM推广到非线性形式;（3）引入了一个新的参数,可以调节模型的性能,提高了IPTSVM的分类精度.实验结果表明,与PTSVM算法相比较,IPTSVM不仅提高了分类精度,而且克服了PTSVM的一些不足.     

基于支持向量机的模式识别方法

基于统计学习理论的支持向量机(SVM)方法是现代智能技术的一个重要分支。SVM实现了结构风险最小化(SRM),而不是经验风险最小化(ERM),在保证分类精度的前提下,提高了分类器的泛化能力。着重讨论C-SVM原理,并在此基础之上,对算法进行了测试。测试结果表明,C-SVM分类算法具有较好的推广能力。     

支持向量机的人脸检测方法

提出了一种基于离散余弦变换(DCT)和支持向量机(SVM)相结合的人脸检测方法。采用DCT系数作为分类器输入,可以大大减少输入矢量维数,利用改进的SMO学习算法建立了一套基于SVM的人脸检测系统。     

特征加权支持向量机

该文针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑特征重要性对分类结果的影响的缺陷,提出了基于特征加权的支持向量机方法,即特征加权支持向量机(FWSVM)。该方法首先利用信息增益计算各个特征对分类任务的重要度,然后用获得的特征重要度对核函数中的内积和欧氏距离进行加权计算,从而避免了核函数的计算被一些弱相关或不相关的特征所支配。理论分析和数值实验的结果都表明,该方法比传统的SVM具有更好的鲁棒性和分类能力。     

基于支持向量机(SVM)的图像去噪方法

提出了一种基于支持向量机进行图像去噪的方法。该方法利用支持向量回归技术构造图像去噪所需的滤波器．其中特征的提取和训练样本的设计旨在抑制不同类型的噪声。实验结果表明，该方法能够有效去除噪声，并能较好地保护边缘信息，适用于边缘检测等操作的预处理。     

一种基于粗糙集理论的支持向量机分类算法

粗糙集理论和支持向量机在数据挖掘方面具有较强的互补特性,基于粗糙集理论的上近似集、下近似集和边界域概念,结合支持向量机的分类原理,提出了一种支持向量机分类算法。首先,在支持向量机分类中定义样本分类的粗糙集规则,然后在边界域寻找两类样本中使判别式绝对值取值最小且分类正确的样本来确定最优分类面,脱离了对惩罚系数C的寻优问题,有效避免了过拟合问题,并通过循环迭代算法寻找合适的参数b,获得分类性能更优的支持向量机,最后通过对一个二维样本数据库进行分类实验,验证了此算法的有效性与可行性。     

基于路径特征和支持向量机算法的硬件木马检测技术

硬件木马攻击成为当前集成电路(IC)面临的严重威胁。针对硬件木马电路具有隐蔽、不易触发以及数据集不均衡等特点,该文提出对门级网表进行静态分析的硬件木马检测技术。基于电路可测性原理建立涵盖节点扇入数、逻辑门距离、路径数、节点扇出数的硬件木马路径特征,简化特征分析流程;基于提取的路径特征,使用支持向量机(SVM)算法区分电路中的木马节点和正常节点。提出训练集双重加权技术,解决数据集不均衡问题,提升分类器的性能。实验结果表明,分类器可以用于电路中的可疑节点检测,准确率(ACC)达到99.85%;训练集静态加权有效提升分类器性能,准确率(ACC)提升5.58%;与现有文献相比,以36%的特征量,真阳性率(TPR)降低1.07%,真阴性率(TNR)提升2.74%,准确率(ACC)提升2.92%。该文验证了路径特征和SVM算法在硬件木马检测中的有效性,明确了数据集均衡性与检测性能的关系。     

同步CDMA系统中一种支持向量机的多用户检测器

支持向量机是一种建立在结构风险最小化原理之上的新的分类方法,与一些神经网络方法相比较他能更好地解决小样本问题。将支持向量机应用于同步信道多用户检测中,为研究CDMA多用户检测提供了一条新的途径,仿真结果表明其误码性能优于MMSE,逼近于单用户接收机。     

基于特征值分解的中心支持向量机算法

针对广义特征值中心支持向量机(GEPSVM)训练和决策过程不一致问题,该文提出一类改进的基于特征值分解的中心支持向量机,简称为IGEPSVM。首先针对二分类问题提出了基于特征值分解的中心支持向量机,然后基于一类对余类策略将其推广到多类分类问题。将GEPSVM求解广义特征值问题转化为求解标准特征值问题,降低了计算复杂度。引入了一个新的参数,可以调节模型的性能,提高了GEPSVM的分类精度。提出了基于IGEPSVM的多类分类算法。实验结果表明,与GEPSVM算法相比较,IGEPSVM不仅提高了分类精度,而且缩短了训练时间。     

一种支持向量机更新模型的参数选择方法

支持向量机性能主要受模型参数的影响,而支持向量机更新模型的参数选择尚无专门的方法。将量子遗传算法用于模型参数选择并进行改进,用原始模型最优参数设置初始量子模板的生成规则,确定搜索方向;用拟合误差设置量子旋转门的调整策略,缩小解空间取值范围。通过仿真验证了所提方法的有效性。该方法能有效搜索到最优参数,与基本遗传算法相比,其解的精度在搜索过程的初期较高,搜索代数大大降低,能有效降低运算量。     

基于非单点模糊支持向量机的判决反馈均衡器

该文提出了一种具有较强抗突发干扰能力的非单点模糊支持向量机判决反馈均衡器。该方法以支持向量机为框架,采用具有前置滤波特性的非单点模糊高斯核函数,利用梯度下降法调整核函数中的可调参数。通过仿真实验,并与支持向量机判决反馈均衡器和传统判决反馈均衡器进行比较,结果证明该方法具有优良的非线性均衡能力和抗突发干扰能力。     

具有磁场效应的大间隔支持向量机

为了提升模式分类泛化性能,该文提出一种新颖的具有磁场效应的大间隔支持向量机(MFSVM)。为了学习最优分割超平面,MFSVM通过引入最小化的q-磁场带,使得一类(或正常类)被包含其中,而另一类(或异常类)与该q-磁场带的间隔尽可能地大,从而实现类内内聚性的提高和类间间隔的增大,增强SVM学习泛化能力。在人造和实际数据集上实验结果显示,MFSVM分别在二类和一类模式分类上的性能均优于或等同于相关方法。